[发明专利]基于多特征的疲劳驾驶识别方法及系统

说明书

本发明公开了一种基于多特征的疲劳驾驶识别方法及系统，所述方法及系统对图像进行预处理，不仅滤除了噪声，且避免了因图像受外界环境因素影响而导致图像质量差、检测精度低的问题；采用AdaBoost算法可以稳定、快速、高效地检测人脸，降低了人脸检测的复杂度；基于尺度空间的面部目标跟踪算法采用自适应的高置信度更新策略，当在目标跟踪阶段发生错误时，目标检测的置信度较低，不更新模型，有效地降低了跟踪算法漂移的危险，提高了跟踪精度；采用SVM分类器进行眼部状态识别，提高了眼部状态识别的精度，因此，该方法识别精度高，对环境的适应力强。

技术领域

本发明属于驾驶安全技术领域，尤其涉及一种基于多特征的疲劳驾驶识别方法及系统。

背景技术

现如今驾驶员疲劳检测技术越来越成熟，疲劳检测方法主要可分为三类：

一是基于车辆的检测方法，主要是通过采集车辆驾驶参数，分析参数的异常波动来判断疲劳状态。该类检测方法包括方向盘转角程度检测、方向盘转向握力检测，车速检测、车辆偏移检测、制动踏板力检测和加速踏板力检测等。目前的车辆大多均配备有不同类型的传感器，用于收集行车车速、方向盘角度、燃油消耗和发动机转速等实时参数，通过单独或综合分析这些数据可以间接地检测驾驶人员的疲劳状态。但是，该类方法的分析结果容易受到个人驾驶习惯、天气、车辆特性及道路状况等外界环境因素的影响，健壮性不强，识别准确度低。而且只有在驾驶员即将发生交通事故时才能检测到异常，不能提前预警。因此，该类方法的分析结果最好用作辅助检测指标而不是主要的检测指标。

二是基于驾驶员的检测方法，该类方法又可以分为基于驾驶员生理参数和基于驾驶员行为特征。相关研究表明，当驾驶员处于疲劳状态时，生理反应会变慢，身体对外界的刺激反应会有所延迟，生理指标会偏离正常值。因此，通过生理传感器采集的驾驶员生理参数可用来判断驾驶员是否处于疲劳状态，其主要是基于脑电信号(EEG)、心电信号(ECG)及肌电信号(EMG)等生理参数来进行检测的。但是，在实际疲劳检测应用中，由于生理参数个体差异性较大，易受到驾驶员的性别、年龄、体型等因素影响，不利于采用统一标准进行疲劳判断，在实际应用中受到一定的限制。当驾驶员比较困倦时，其面部特征将与清醒状态的面部特征不同。因此，利用计算机视觉技术分析驾驶员的面部特征数据，是一种有效的实时疲劳驾驶检测方法。该方法提取的特征参数主要有眼动特性(眨眼频率，PERCLOS，眼睛睁闭程度，注视方向等)、嘴部状态(打哈欠频率等)及头部位置。由于头部和面部特征的变化比较明显，易于被检测到。但是，特征提取即检测结果易受到遮挡和光照等因素的影响，导致识别准确度低。

三是基于信息融合的检测方法，该类检测方法融合多种疲劳特征，相比于基于单一特征息疲劳检测方法的检测精度和可靠性都有所提高，但是使用现有技术提取各种特征并建立基于信息融合检测方法的模型存在较大挑战，且建立的疲劳检测模型对复杂环境的适用性较差。

发明内容

针对现有技术的不足，本发明提供一种基于多特征的疲劳驾驶识别方法及系统，以解决现有检测方法识别准确度低、适应性差的问题。

本发明是通过如下的技术方案来解决上述技术问题的：一种基于多特征的疲劳驾驶识别方法，包括：

步骤1：实时获取视频单帧图像，并对视频单帧图像进行预处理；

步骤2：对经过预处理后的视频图像采用基于Haar-like特征的AdaBoost算法进行人脸检测，并采用基于尺度空间的目标跟踪算法实时跟踪检测到的人脸；

步骤3：对人脸的特征点进行定位，再根据定位后的特征点分别定位眼部区域和嘴部区域，并采用SVM分类器识别眼部状态，通过计算嘴部纵横比来识别嘴部状态；

步骤4：根据眼部状态和嘴部状态分别计算眼部疲劳参数和嘴部疲劳参数，根据定位到的特征点位置信息计算头部疲劳参数；

步骤5：根据眼部疲劳参数、嘴部疲劳参数以及头部疲劳参数进行驾驶员的疲劳状态识别和预警。